机器学习2 kmeans预习（看1.5就行）

dd112474

已于 2022-08-24 12:18:36 修改

阅读量195

点赞数

分类专栏：机器学习文章标签：机器学习 kmeans 聚类

于 2022-08-22 14:28:27 首次发布

本文链接：https://blog.csdn.net/dd112474/article/details/126432660

版权

机器学习专栏收录该内容

21 篇文章 1 订阅

订阅专栏

文章目录

导入包–准备数据–拟合模型

基础

在这里插入图片描述

在这里插入图片描述
导入数据：
用numpy

用jupyter

jupyter快捷键

距离公式

画出肘部图

在这里插入图片描述

一句话介绍Kmeans：
有初始值，聚类（距离公式），变换中心，直到所有点到中心距离的 误差平方和 达到阈值或误差标准

优缺点：
在这里插入图片描述

代码汇总

#kmeans

#准备工作
import pandas as pd 
from sklearn.cluster import KMeans


##### 准备数据集

data = pd.read_csv('basketball.csv')

data.head()#查看表头

data.shape #数据几行几列

##### Kmeans 聚类

m = KMeans()

m.fit(data) #拟合

m.cluster_centers_ #聚类中心

m.labels_ #每个点所属的簇

m.inertia_ #误差平方和

m.predict(data) #预测数据

import pandas as pd 
from sklearn.cluster import KMeans
from matplotlib import pyplot as plt

data = pd.read_csv("basketball.csv")

lst1=[] #创建空列表
lst2=[]

for i in range(2,21):
    m=KMeans(n_clusters=i) 
    m.fit(data)
    
    inertia = m.inertia_  #这三行是公式
    print(inertia)
    lst1.append(i) #list1放聚类个数 
    lst2.append(inertia) #list2放误差平方和

df1 = pd.DataFrame(lst2,index=lst1,columns=["inertia"])  #构建dataframe语法：pandas.DataFrame( data, index, columns, dtype, copy)

print(df1)  #可以看到构建的dataframe

plt.figure(figsize=(20,8),dpi=200)# 创建自定义图像fig=plt.figure(figsize=(4,3),facecolor=‘blue’)
plt.plot(df1.index,df1.inertia,'o-') #点的坐标（dataframe表的索引index，dataframe表的误差平方和,点的样式）

plt.xlabel("n_clusters")#x轴的标注
plt.ylabel("inertia")#y轴的标注

for x,y in zip(df1.index,df1.inertia): #zip()将两个列表压缩成一个[1,2],[3,4]-->[(1,3),(2,4)]
    plt.text(x,y,f"{y:.2f}",ha="center",va="bottom")#plt.text()作用：画图时给图中的点 加标签 ；
    # 在图上显示具体数值相对于点的位置, ha参数控制水平对齐方式, va控制垂直对齐方式，fontsize：加标签字体大小，取整数
    plt.xticks(df1.index)#plt.xticks()用来确定横坐标的刻度 参考：https://cloud.tencent.com/developer/article/1737204